AI語音再進化，人耳還能聽出AI和真人的差别嗎？
在播客App小宇宙上，“Hacker News”賬号用“曉曉”的聲音制作了一期節目，聽衆在評論區留言表示“想打賞”。
實際上，這已經不是AI第一次入侵播客圈了。
2022年10月，一段美國知名播客主持人喬·羅根（Joe Rogan）與蘋果公司已故創始人史蒂夫·喬布斯的對話音頻在外網引發熱議。長達20分鐘的播客節目中，兩人探讨了包括喬布斯的大學經曆、對計算機的見解和個人信仰在内的多個話題。
這段播客音頻由podcast.ai推出，為了生成這段内容，podcast.ai使用了喬布斯的傳記和網絡上關于他的所有錄音，通過Play.ht人工智能語言模型進行了大量訓練。此外，節目主持人羅根的語音也是AI生成的。
2023年7月，國内播客節目《大俗小雅》釋出了一期完全由AI生成故事情節和語音的播客，在小宇宙上獲得了超5000次收聽，評論區還有聽衆留言表示，誤把AI生成語音中的不自然當成了兩位主播“情緒狀态不好”。
從喬布斯“複活”錄播客到《大俗小雅》的AI播客實驗，AI生成人聲面臨的一個主要争議是缺乏真人發聲時的抑揚頓挫和情感，如聲音的單調和機械化，以及在節奏和語調上的不自然。這些都是阻礙AI語音技術進一步落地應用在有聲内容創作上的難題。
如今，微軟“曉曉”已經正式上線可用。它可以成為中文創作者新的語音生成利器嗎？AI+有聲内容創作又有哪些新玩法？“頭号AI玩家”進行了一番探究。
實測微軟“曉曉”：比真人配音還逼真？
“曉曉”是微軟雲服務平台Azure旗下TTS（文本轉語音）語音庫中的一個女性語音角色。目前有兩個版本：
第一個版本是中文版“曉曉”，它支援21種不同的說話風格，适用于有聲書、新聞、AI客戶服務以及多情感表達等場景。
在“多情感表達”場景示範中，她能夠在多種台詞之間自如切換情緒，并精準比對相應的語氣和語調，整體表現既自然又流暢。
第二個版本是多語言版本的“曉曉”，支援91種語言的文本到語音轉換，但僅提供預設的說話風格選項。
目前，兩個版本的“曉曉”都可以在Azure官網免費體驗（連結已同步整理至文末）。
由于申請微軟Azure賬戶和部署語音服務的流程較為複雜，在此先附上詳細操作步驟，以供參考：
首先，進入微軟Azure官網，建立一個免費賬戶。
新使用者注冊後可享12個月免費服務，服務期滿後，每月仍可獲得50萬字元的免費額度。對于大多數創作者而言，這樣“量大管飽”的免費額度已然夠用。
整個注冊和使用過程，無需魔法，但需要提供一張VISA、萬事達等信用卡或借記卡進行驗證。實測中，我們用國内銀行發行的VISA信用卡以及國内手機号完成了注冊。
驗證成功後，跳轉到Azure首頁，進入控制台，在“AI+機器學習”類别下，找到“語音”點選“Create”，部署語音服務。
進入建立語音服務頁面，定價層選擇“Free F0（即免費服務）”，區域選擇你想使用的TTS語音支援的地區，因為是測試“曉曉”，在這裡我們最後選擇了“East Asia（東亞）”。
最後，點選頁面下方的“審閱并建立”，就完成了部署。
接着轉到“有聲内容創作”頁面，就可以投喂文本，讓AI替你生成語音了。
界面布局主要包括中間的文本操作區和右側的調音編輯工具欄。使用者可以一次性編輯整個文本，也可以對單個句子或詞語進行微調。
具體編輯功能涵蓋朗讀角色切換、停頓設定、朗讀規則調整以及語調語速控制等，都支援使用者根據需要進行自定義修改。
例如，在下面這段文本中，我們将叙事旁白設定成了中文版曉曉的“新聞”說話風格，并在同一個句子中切換朗讀角色，營造出小說中的對話感。
測試1,頭号AI玩家,59秒
對比測試中，我們讓其用不同情緒說同一句話，也表現出明顯的區分度，效果令人驚喜。
測試2,頭号AI玩家,12秒
而多語言版本的“曉曉”雖然隻支援預設的說話風格，但其生成的聲音效果既自然又流暢，并且能夠處理文本中的語氣詞，乍一聽根本無法分辨真假。
曉曉多語言版測試1,頭号AI玩家,8秒
不過，在我們的測試中，她隻有在語言技能選擇“中文國語”時，才可以還原早前微軟放出的示範效果，生成的人聲自然逼真。
如果選擇其他語言或地區方言，如粵語或台灣國語，聲音就又回到“一聽即AI”的效果。
曉曉多語言版測試2,頭号AI玩家,10秒
據微軟官方介紹，包括多語言版曉曉在内的9種聲音角色是基于大語言模型訓練的，如OpenAI搭建在Azure雲上的GPT服務，是以尤其擅長口頭對話、日常聊天等對語言自然度和表現力要求較高的場景。
除了使用TTS語音庫預設定好的聲音，微軟Azure還提供了聲音定制服務，支援品牌或個人使用有版權的音頻樣本作為訓練資料，建立自定義語音。
AI+有聲内容，進入真假難辨時代
從有聲書到短視訊配音，再到軟硬體内随處可見的文本朗讀功能，AI生成的有聲内容已經成為普通人日常最頻繁使用的AI技術之一。
以微軟的語音角色“雲希”為例，隻要你刷過短視訊，就一定能認得他的聲音。
由于去除了以往AI的機械式發音和單一腔調，“雲希”在影視解說配音中廣受歡迎，迅速火遍全網。同時，它在有聲書領域也得到了廣泛應用，許多網友會借助接入微軟TTS服務的軟體和API，利用“雲希”的聲音文本轉語音，提升聽書體驗。
技術快速疊代下， 如今市面上出現了越來越多友善易用的産品。例如，如喜馬拉雅旗下的音剪，即支援一站式AI音頻創作，提升有聲書制作效率、降低創作成本。
具體到AI文本轉語音賽道上，國外爆火的産品如ElevenLabs對中文的支援度并不高，而國内的MiniMax、火山引擎等産品，雖然可以生成較為流暢的中文朗讀音頻，但仍未達到播客聲音制作所需的自然度和情感表達水準。
例如，在《大俗小雅》的AI播客實驗中，不少網友回報AI生成的聲音“念稿”痕迹很明顯。
相較短視訊和有聲書，AI語音技術在播客場景的應用還很有限。
“頭号AI玩家”從多方了解到，目前播客創作者會使用ChatGPT等文本生成模型，來提高前期内容策劃、内容大綱以及播客内容摘要（shownotes）等文本内容的生産效率。
但在聲音生成上，播客内容制作追求的不僅僅是流暢的朗讀，更重要的是通過聲音傳遞情感，增強聽衆的沉浸感和情感共鳴。
此外，播客聲音内容的強IP屬性，以及高度人格化的表達，也是創作者在使用AI生成語音時需要謹慎考量的問題。這些特性要求AI不僅要準确傳達資訊，還要能夠模仿人類的情感和語調，與聽衆建立情感聯系。
對于能夠自如地通過口語表達自己觀點的創作者而言，獨特的口音或語調反而可以形成一種差異化優勢，有助于塑造創作者的個人風格。
随着AI生成語音、克隆語音越來越真實，也不乏有内容創作者開始利用AI技術來制作更新頻率高的資訊類語音播報内容。
例如，播客節目《十字路口》主播就曾在一期節目中透露，得到聯合創始人快刀青衣主理的一檔AI資訊節目《快刀廣播站》，就是隻寫腳本，語音部分由AI來完成，效果相當自然。
AI語音技術的發展，無疑為内容創作者提供了新的工具和可能性。
尤其是微軟最近推出的多語言版曉曉，進一步展示了AI語音技術在播客内容制作中的應用潛力。可以預見，在技術抹平内容創作門檻的同時，内容創作也将前所未有的“卷”，如何打造差異化内容，是每一個創作者都需要思考的問題。